Cara melakukan tes dunn dengan python

Uji Kruskal-Wallis digunakan untuk menentukan apakah terdapat perbedaan yang signifikan secara statistik antara median tiga atau lebih kelompok independen. Ini dianggap setara nonparametrik dari ANOVA satu arah .

Jika hasil uji Kruskal-Wallis signifikan secara statistik, maka uji Dunn sebaiknya dilakukan untuk menentukan secara pasti kelompok mana yang berbeda.

Tutorial ini menjelaskan cara melakukan tes Dunn dengan Python.

Contoh: tes Dunn dengan Python

Peneliti ingin mengetahui apakah tiga jenis pupuk berbeda menyebabkan tingkat pertumbuhan tanaman yang berbeda. Mereka secara acak memilih 30 tanaman berbeda dan membaginya menjadi tiga kelompok yang terdiri dari 10 tanaman, memberikan pupuk berbeda pada setiap kelompok. Setelah sebulan, mereka mengukur tinggi tiap tanaman.

Setelah menjalankan uji Kruskal-Wallis, mereka menemukan bahwa nilai p secara keseluruhan signifikan secara statistik, artinya median pertumbuhan di ketiga kelompok tidak sama. Kemudian mereka melakukan uji Dunn untuk menentukan kelompok mana yang berbeda.

Untuk melakukan tes Dunn dengan Python, kita dapat menggunakan fungsi posthoc_dunn() dari perpustakaan scikit-posthocs.

Kode berikut menunjukkan cara menggunakan fungsi ini:

Langkah 1: Instal scikit-posthocs.

Pertama kita perlu menginstal perpustakaan scikit-posthocs:

 pip install scikit-posthocs

Langkah 2: Lakukan tes Dunn.

Kemudian kita dapat membuat data dan melakukan tes Dunn:

 #specify the growth of the 10 plants in each group
group1 = [7, 14, 14, 13, 12, 9, 6, 14, 12, 8]
group2 = [15, 17, 13, 15, 15, 13, 9, 12, 10, 8]
group3 = [6, 8, 8, 9, 5, 14, 13, 8, 10, 9]
data = [group1, group2, group3]

#perform Dunn's test using a Bonferonni correction for the p-values
import scikit_posthocs as sp
sp. posthoc_dunn (data, p_adjust = ' bonferroni ')

               1 2 3
1 1.000000 0.550846 0.718451
2 0.550846 1.000000 0.036633
3 0.718451 0.036633 1.000000

Perhatikan bahwa kami memilih untuk menggunakan koreksi Bonferroni untuk nilai-p guna mengontrol tingkat kesalahan keluarga , tetapi pilihan potensial lainnya untuk argumen p_adjust meliputi:

• sidak
• Holm-Sidak
• simes hochberg
• manl
• fdr_bh
• fdr_by
• fdr_tsbh

Lihat dokumentasi untuk rincian lebih lanjut tentang masing-masing metode penyesuaian nilai p ini.

Langkah 3: Interpretasikan hasilnya.

Dari hasil uji Dunn kita dapat mengamati hal-hal berikut:

• Nilai p yang disesuaikan untuk selisih antara kelompok 1 dan kelompok 2 adalah 0,550846 .
• Nilai p yang disesuaikan untuk selisih antara kelompok 1 dan kelompok 3 adalah 0,718451 .
• Nilai p yang disesuaikan untuk selisih antara kelompok 2 dan kelompok 3 adalah 0,036633 .

Jadi, hanya dua kelompok yang berbeda signifikan secara statistik pada α = 0,05 adalah kelompok 2 dan 3.

Sumber daya tambahan

Pengantar tes Dunn untuk beberapa perbandingan
Bagaimana melakukan tes Dunn di R